Entwicklung einer modularen Simulation zur Generierung stochastisch fehlerhafter Eventdaten für die Anomalieerkennung
- Im Zuge der Globalisierung und den immer kürzer werdenden Produktlebenszyklen steigt der Durck auf das Supply-Chain-Management die komplexen Lieferketten effizient überwachen und schnell auf Ereignisse, auch Events genannt, zu reagieren. Dabei wird das Supply-Chain-Event-Management (SCEM) durch die digitale Datenerfassung beispielsweise mittels RFID-Technologie unterstützt. Ein etabilierter Standard zur Erfassung und Abfrage von Events ist EPCIS. Da die Effektivität des SCEM stark von der Datenqualtität der aufgezeichneten Events abhängt, ist es entscheidend, fehlerhafte Eventdaten frühzeitig erkennen zu können. Eine auf Anaomalieerkennung in Eventdaten speziallisierte KI wäre demnachvon entscheidenden Nutzen. Da die zum Training einer KI benötigten Eventdaten nicht immer vorliegen, spielt die syntethsiche Erzeugung dieser eine entscheidene Rolle.
Im Laufe der Masterarbeit werden mögliche Identifikationsstrategien für fehlerhafte Eventdaten erarbeitet. Auf diesen Strategien aufbauend wird ein Datenmodell erstellt, welches die zur Identifikation fehlerhafter Eventdaten benötigten Dimensionen beinhaltet. Das erstellte Datenmodell wird im nächsten Schritt mit dem EPCIS Standard abgeglichen, um zu identifizieren, ob der etablierte Standard alle zur Erkennung fehlerhafter Eventdaten benötigten Dimensionen beinhaltet oder ob er um gewisse Dimensionen ergänzt werden müsste. Abschließend wird ein modulares Simulationsmodell erstellt, welches Regelereignisse, fehlerhafte Ereignisse und Ausnahmeereignisse mit regulierbarem stochastischen Auftreten generieren kann. Für die Erstellung des Simulationsmodells wird die Simulationssoftware AnyLogic verwendet. Ein besonderer Focus liegt dabei auf der Modularität und dem einfachen Konfigurieren des Simulationsmodell. Durch Zusammensetzen und Konfigurieren einzelner Module, bestehend aus generischen Supply-Chain-Geschäftsschritten, lassen sich komplexere Supply-Chain-Strukturen abbilden. So können syntethsiche Eventdaten für das zuvor genannte Ziel erzeugt werden.
